YOLOv3: An Incremental Improvement

code: https://pjreddie.com/yolo/

---

Backbone: DarkNet-53，输出三种不同尺度的预测结果，每个网格对应3个先验框。N X N X [3 * (4 + 1 + 80)]对应4个bounding box offsets，1个objectness prediction和80个类别预测。

具体来说，在79层得到32倍下采样的结果（13 * 13）；之后通过上采样，并与61层特征进行concat，再经过一定卷积操作后得到16倍下采样结果（26 * 26）；再之后通过上采样，并与36层特征进行concat，再进过一定卷积操作后得到8倍下采样结果（52 * 52）。concat是张量拼接，扩充张量维度。

anchors：用k-means聚类得到先验框尺寸，总共聚类得到9中尺寸的先眼眶，每种下采样尺寸对应3种先验框。例如：再COCO数据集上9个先验框是 (10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。分配上：

• 在最小的13*13特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的26*26
• 特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52*52特征图上（较小的感受野）应用
• 较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。

聚类过程：对训练集，取出GT bbox的width和height（相对于整张图片的比例），然后用K-means聚9类。得到的结果要转换为相对于栅格边长的比例（w = anchor_w * input_width / downsamples）。

Lable Assignment: YOLOv3只会对1个prior进行计算。通过logistic regression，会使得和GT有最大重叠的box prior的objectness score为1。如果和GT的重叠超过0.5，则会忽略这个预测。

参考：

• https://blog.csdn.net/hrsstudy/article/details/71173305?utm_source=itdadao&utm_medium=referral
• https://www.cnblogs.com/ywheunji/p/10809695.html
• https://www.cnblogs.com/yumoye/p/10538071.html